基于bp神经网路的我国沪深300股指期货价格预测

来源：网络 时间：2022-03-19

　　1.引言

　　沪深300股指期货上市到现在为止，已满四周年，交易量不断地扩大，已经累计成交4.37亿手，累计成交额多达320.17万亿元，客户已经有17.58万之多。这些数字充分说明我国股指期货市场惊人的活跃程度。对于如此活跃的市场，预测其合约价格的就显得非常重要了。股指期货市场与股票市场有许多相似之处，也是一个不稳定的、开放的、非线性变化的复杂动态系统。其合约价格的变动受到金融因素、经济因素、政治因素、投资者心理因素等众多因素的影响，其变化过程具有非线性、混沌性与长期记忆性等特点。由于有以上特点的存在，我们可以利用BP神经网络的理论方法，选取每天的开盘价、收盘价、均价、成交量等指标，选取合适的隐含层数量，以预测其短期的价格。

　　2.沪深300股指期货

　　2.1 沪深300股票指数

　　沪深300股票指数是由中证指数公司编制，在2005年4月8日正式发布。沪深300指数是以2004年12月31日为基日，其点位为1000点。其组成是从上海和深圳证券市场中选取300只A股作为样本，其中沪市有179只，深市有121只，选取的样本为规模大、流动性强的胡票。沪深300指数的样本覆盖了沪深市场约六成的市值，其本质是作为一种商品。

　　2.2 沪深300股指期货

　　沪深300股指期货是以沪深300指数作为标的物的期货品种，在2010年4月由中国金融期货记忆所推出。它是采用现金交割，交割结算价采用到期日最后两小时所有指数点位算术平均价。它具有双向交易、高杠杆性、高流动性和低交易成本的特点。双向交易是指可以买也可以卖，高杠杆性是指保证金比率只有12%，投资杠杆约为8.3倍。高流动性是指采取T+0交易方式。低成本是指期货交易的手续费一般在合约价值的万分之几左右。并且他和其他期货品种一样，出发点是为了保值而非盈利。

　　3.影响沪深300指数期货价格的因素

　　3.1 宏观经济运行及企业运行状况

　　一般情况下，宏观经济运行良好的情况下，该股指期货价格会呈现不断攀升的趋势；而在运行不好情况下，其价格会不断下降。同样的，如果各大企业生产经营状况良好，其价格也会上升；若相反，其价格便会下跌。

　　宏观经济的一些主要指标也会影响沪深300股指期货的价格，例如GDP增长率、国际贸易收支情况、实际可支配收入情况等，这些指标的增加说明我国宏观经济运行状况良好，则该股指期货的价格便会上升，若失业率增加，存贷比率过高或过低，便会使其价格下跌。

　　3.2 利率、汇率水平的高低及趋势

　　一般来说，利率水平越高，股指期货的价格就会越低。这是因为高利率会使投资者将更多的钱存入银行，从而导致股票市场的资金减少，同时，高利率会使贷款利率升高，企业的财务成本变大，生产经营状况会变差，从而影响股价，使股指期货的价格下跌。汇率的影响与利率类似，高汇率不利于出口，利于进口，会使国内企业的经营状况变差。

　　4.BP神经网络模型

　　4.1 BP神经网络模型介绍

　　BP神经网路也称为误差反向传播神经网络，它是由非线性变换单元组成的前馈网络。在神经网络的应用中，超过80%的神经网络模型是采用它或者是它的变化形式，因此它也是前馈网络的核心部分。

　　BP算法的基本思想是：学习过程是由信号的正向传播和逆向传播两部分组成，在正向传播时，输入样本值通过输入层传入各个隐含层，经过隐含层处理后，传向输出层。如果输入层的实际输出与期望的不一样，则将误差逆向传播，将误差反向传播给各层所有单元，从而得到各层单元的误差信号，并以此为依据修成各单元的权值，这种权值调整的过程是在不断进行的，就是网络的学习过程。这个过程一直到训练输出的误差减少到可以接受的程度或是预先设定的次数为止。

　　4.2 BP神经网络模型设定

　　4.2.1 网络层数

　　大量的实验数据证明，隐含层的数目越多，BP神经网络的非线性映射能力越强，但如果太多，反而会降低网络的性能。由于但隐层的网络可以逼近任意一个连续的非线性函数，因此，本文将会将采用单隐层的网络。

　　4.2.2 输入层及输出层神经元个数确定

　　本文利用前1天的开盘价、最高价、最低价、收盘价、交易量、10日均价、30日均价预测下一天的收盘价，因此输入层神经元的个数为N=7，而输出层的神经元个数为M=1。

　　4.2.3 隐含层神经元个数的确定

　　隐含层数量的多少一般由下面的公式确定：n=ni=n0+a

　　在这里我们有8个输入层，1个输出层，a取0-10之间，经反复尝试，a取5较好，因此我们设置8个隐含层。

　　4.3 数据处理

　　在训练之前，我们首先需要将数据进行标准归一化处理，因为各个数据之间的数量级是不相同的，若我们直接利用原始数据进行训练，则会导致有的数据权数太小，而有的数据权数过大，训练的结果将变得更不准确，因此我们需要对其进行处理，其公式为：x[i]p=（xp-xmin）/（xmax-xmin）

　　归一化后的数据是介于0与1之间，会使预测结果会更加稳定、准确。

　　5.实验过程与结果分析

　　5.1 实验数据的选择。本文采用的实验数据是沪深300股指期货2013.5.15到2014.5.15之间的开盘价、最高价、最低价、收盘价、交易量、10日均价与30日均价 ，用前一天的开盘价、最高价、最低价、收盘价、交易量、10日均价与30日均价来预测后一天的收盘价格。选取以上的自变量主要是因为这些变量都在一定的程度上影响了后一天的收盘价，它们与因变量之间存在着某种函数关系，该函数关系可以通过神经网路模拟出来。 　　5.2 实验过程。先将数据导入到excel表格中进行简单的整理，再利用上述的标准化公式将数据标准化。将处理后的数据导入matlab中，利用其中的函数生成我们所需要的神经网络，如果结果良好，则我们利用它来预测之后股指期货的价格趋势，但如果结果没有达到预期，则我们重复上述步骤，生成新的神经网络，直到符合我们的预期为止。

　　5.3 实验结果。我们设定误差标准为0.0004，按照上述的设定生成神经网络，得到运算结果表明总共运行了152次迭代，共用时1秒，初始的均方误差为0.188，通过迭代后达到了0.000397，满足了我们的要求0.0004，斜率的变化为0.000475，该值表明均方误差的变化已经非常小了。原模型最后五天的标准化后的数据分别为0.1318、0.2034、0.1820、0.1802、0.1483，而我们通过该网络预测出的结果为0.1347、0.1582、0.2094、0.1729、0.1472，预测出的数据已经非常接近真实的数据，最后一天的误差仅有0.7%，该结果充分表明了该模型的可信度。

　　5.4预测结果。通过之后五天的前一天的开盘价、收盘价、最高价、最低价、交易量、10日均价、30日均价的数据去预测后一天的收盘价，得到的平均误差率为4.1%，该结果表明运用BP神经网络模型确实可以在一定的程度上预测沪深300股指期货的价格，预测的结果还比较理想，因此，说明我们可以用BP神经网络对股指期货价格进行预测，并且其预测的结果有助于我们制定以后的投资策略。

　　6.结论

　　本文通过BP神经网络对我国沪深300股指期货每日的收盘价进行了实际模拟，并且预测了股指期货最近5日的收盘价格，并将预测的结果与实际的结果进行了比较，结果说明预测的价格与实际的价格相差很小，该网络有较高的精度和较为稳定的预测结果，表明我们利用BP神经网络去预测我国沪深300股指期货的价格是成功的。然而对于期货市场的大部分投资者而言，他们更加关注的是期货价格的走势而非其价格的具体值，这主要是由股指期货价格市场的基本功能决定的，股指期货市场的套期保值、投机等功能的运用都需要判断价格趋势的变化，是做空还是做多是大多数投资者关注的主要问题。本文在股指期货价格趋势的预测上还存在许多问题，主要问题可能是因为选取的因变量过于偏向于短期，而没有考虑长期因素对其价格影响，在以后的研究中，可以通过一些长期的因变量、如GDP、消费量、利率等去预测股指期货价格长期的变化趋势，也可以通过扩大样本增加预测的精确度。（作者单位：首都经济贸易大学）